AI Mode 的 query fan-out：一个问题的十几次子搜索

Google I/O 2026 上，AI Mode 从实验功能变成主流入口：月活超过 10 亿，AI 摘要覆盖超过 20 亿月活用户。官方把搜索框的改造称为 25 年来最大的一次升级。

支撑这些体验的核心机制叫 query fan-out——把用户的一个问题拆成数十个子查询，分别检索，再合成答案。

理解这个机制，比记住任何排名技巧都有用。

一、fan-out 做了什么

用户输入「小团队要不要自建推理集群」，系统不会只检索这一句。它会展开成一组子问题，例如：

• 自建推理集群的硬件成本区间
• 云 API 与自建的盈亏平衡点
• 小团队的典型并发量级
• 国产卡与进口卡的性价比差异
• 自建后的运维人力需求

每个子查询各自检索，结果再被综合成一段回答。回答里引用的来源，可能来自其中任意一个子查询的结果页。

这解释了上一篇文章里的现象：AI 摘要的引用来源与主关键词前十的重合度降到 17%–54%。因为引用可能来自子查询，而不是主查询。

二、对内容布局的影响

单关键词优化失效。 你把「推理集群成本」做到第一，也只能覆盖五个子问题里的一个。剩下四个，你没有内容，就不会被引用。

主题簇的价值上升。 一个主题下有成体系的页面（定义、成本、对比、故障、案例），才有机会在多个子查询里同时出现。

页面之间的内链变得更重要。 模型需要判断「这些页面属于同一主题」，内链是最直接的信号。

问答型长尾是入口。 子查询大多是具体的疑问句。用疑问句做 H2，天然匹配。

三、怎么做一个主题簇

以一个核心问题为中心，铺五类页面：

1. 定义页：这个概念是什么，边界在哪
2. 对比页：A 与 B 怎么选，各自代价
3. 成本页：多少钱，什么规模下划算
4. 操作页：具体怎么做，步骤与坑
5. 故障页：出错怎么排查

五类页面互相链接，形成闭环。这个结构覆盖了 fan-out 展开时的大部分子查询方向。

本站的做法可以作为参考：模型库里每款模型一篇规格卡，加上周报、成本分析、选型方法，构成一个围绕「模型选型」的簇。

四、不要过度设计

fan-out 不等于「写得越多越好」。两个限制需要注意：

质量门槛。 子查询的结果同样要经过筛选，低质量页面不会因为数量多就被引用。

时效性。 一部分子查询带有时间意图（「2026 年」「最新」），这类内容的有效期短，需要定期更新。

更务实的做法是：先把一个主题做深，再扩第二个。与其铺十个浅主题，不如把一个主题的五类页面都写扎实。

五、小结

query fan-out 把 SEO 的竞争单位从「关键词」变成了「问题空间」。你的站点能覆盖多少个相关子问题，决定了你能被多少次合成进答案。

这个变化对中小站点其实是有利的——大站在单个关键词上的优势，在问题空间里会被稀释。谁把一个主题讲得更完整，谁就更容易被引用。